“存算”协同，让存储发挥极致性能

高性能计算（HPC）、人工智能（AI），大数据（BigData）是当今数据密集的企业所面临的重大机遇和挑战，更多“数据大”企业开始关注IT基础设施和架构的革新。作为数据的最终归宿和一切分析计算的基础，存储设备的稳定性，扩展性，和性能表现成为了IT系统优化工作的重中之重。

然而，大多数企业可能不甚了解，存储系统的高性能，其实是相对的，有高带宽的、有高IOPs的、有元数据性能表现出色的。不可能在单个系统中各个维度都追求极致性能表现。

存储性能常见优化方式

通常而言，带宽（吞吐量）和每秒I/O操作数（IOPS）是衡量存储性能的两大指标。

在实际应用中

※ 希望得到更“高”的IOPS，就需要尽可能【减少】每次数据存取请求涉及到的盘数；

※ 希望吞吐更“大”(高带宽)，就需要聚合【更多】个盘的带宽。

显然，带宽与IOPS两项指标像不可兼得的鱼和熊掌，不可能在一套存储系统中都得到极致优化。

通用存储本来是个傻盒子

如果没有合适的方法和人工干预，存储只能根据当前的IO特性，以确定的缓存策略和数据一致性策略，甚至数据的摆放位置来为应用提供服务，无法【根据应用的特点】实现对存储特性的精确动态调优，但高性能计算、AI训练和大数据分析对应的数据访问模式是不同的。

需要存储在

不同时段：When

不同配置区域：Where

为应用的不同计算阶段：What

提供尽可能高的存取效率和并行能力

所以如何让【存储感知应用】才是设计存储系统时需要重点关注的

存储性能如何优化更合理

通过大量客户案例以及对用户数据处理模式的研究表明，从计算任务调度入手，控制计算任务的调度执行，让计算在开始执行之前给存储发送【提示性信息】，协助存储系统预判此次任务的IO模